import pandas as pd
pd.set_option('display.expand_frame_repr', False)

import matplotlib
import matplotlib.pyplot as plt
import matplotlib.dates as mdates
font = {'size' : 20}
matplotlib.rc('font', **font)

import seaborn as sns

from pylab import rcParams
rcParams["figure.figsize"] = 30,16

import sklearn
from sklearn import metrics

import numpy as np
import scipy

import datetime as dt
from datetime import date

from collections import OrderedDict

from sklearn.preprocessing import PolynomialFeatures
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression

import warnings
warnings.filterwarnings("ignore")

import sys
sys.path.insert(0, "../")
import functions

Vergleich des Sonnenaufgangs

#Daten aus jeweiliger CSV-Datei laden
df_rise = pd.read_csv("Datenbeschaffung/kalender.csv", index_col=0, parse_dates=True, usecols=[0,0])
df_rise = df_rise.join(pd.read_csv("Datenbeschaffung/stuttgart.csv", index_col=0, parse_dates=True, usecols=[0,8], squeeze=True).rename("stuttgart"))
df_rise = df_rise.join(pd.read_csv("Datenbeschaffung/freiburg.csv", index_col=0, parse_dates=True, usecols=[0,8], squeeze=True).rename("freiburg"))
df_rise = df_rise.join(pd.read_csv("Datenbeschaffung/mannheim.csv", index_col=0, parse_dates=True, usecols=[0,8], squeeze=True).rename("mannheim"))
df_rise = df_rise.join(pd.read_csv("Datenbeschaffung/ulm.csv", index_col=0, parse_dates=True, usecols=[0,8], squeeze=True).rename("ulm"))

#Uhrzeiten in DateTime konvertieren
df_rise["stuttgart"] = pd.to_datetime(pd.to_datetime(df_rise["stuttgart"]).dt.strftime("1970-01-01 %H:%M:%S"))
df_rise["freiburg"] = pd.to_datetime(pd.to_datetime(df_rise["freiburg"]).dt.strftime("1970-01-01 %H:%M:%S"))
df_rise["mannheim"] = pd.to_datetime(pd.to_datetime(df_rise["mannheim"]).dt.strftime("1970-01-01 %H:%M:%S"))
df_rise["ulm"] = pd.to_datetime(pd.to_datetime(df_rise["ulm"]).dt.strftime("1970-01-01 %H:%M:%S"))

#Uhrzeit in Sekunden am Tag umrechnen
df_rise["stuttgart_sekunden"] = pd.to_timedelta(pd.to_datetime(df_rise["stuttgart"]).dt.strftime("%H:%M:%S")).dt.total_seconds()
df_rise["freiburg_sekunden"] = pd.to_timedelta(pd.to_datetime(df_rise["freiburg"]).dt.strftime("%H:%M:%S")).dt.total_seconds()
df_rise["mannheim_sekunden"] = pd.to_timedelta(pd.to_datetime(df_rise["mannheim"]).dt.strftime("%H:%M:%S")).dt.total_seconds()
df_rise["ulm_sekunden"] = pd.to_timedelta(pd.to_datetime(df_rise["ulm"]).dt.strftime("%H:%M:%S")).dt.total_seconds()

#Durchschnitt der Sekunden am Tag
df_rise["durchschnitt_sekunden"] = round((df_rise["stuttgart_sekunden"] + df_rise["freiburg_sekunden"] + df_rise["mannheim_sekunden"] + df_rise["ulm_sekunden"]) / 4, 0)
#Durchschnitt der Uhrzeit berechnen
df_rise["durchschnitt"] = pd.to_datetime(df_rise["durchschnitt_sekunden"], unit="s")

print(df_rise)

                     stuttgart            freiburg            mannheim                 ulm  stuttgart_sekunden  freiburg_sekunden  mannheim_sekunden  ulm_sekunden  durchschnitt_sekunden        durchschnitt
datum                                                                                                                                                                                                        
2015-01-01 1970-01-01 08:16:00 1970-01-01 08:18:00 1970-01-01 08:22:00 1970-01-01 08:11:00             29760.0            29880.0            30120.0       29460.0                29805.0 1970-01-01 08:16:45
2015-01-02 1970-01-01 08:16:00 1970-01-01 08:18:00 1970-01-01 08:22:00 1970-01-01 08:11:00             29760.0            29880.0            30120.0       29460.0                29805.0 1970-01-01 08:16:45
2015-01-03 1970-01-01 08:16:00 1970-01-01 08:18:00 1970-01-01 08:22:00 1970-01-01 08:11:00             29760.0            29880.0            30120.0       29460.0                29805.0 1970-01-01 08:16:45
2015-01-04 1970-01-01 08:16:00 1970-01-01 08:18:00 1970-01-01 08:22:00 1970-01-01 08:11:00             29760.0            29880.0            30120.0       29460.0                29805.0 1970-01-01 08:16:45
2015-01-05 1970-01-01 08:16:00 1970-01-01 08:18:00 1970-01-01 08:22:00 1970-01-01 08:11:00             29760.0            29880.0            30120.0       29460.0                29805.0 1970-01-01 08:16:45
...                        ...                 ...                 ...                 ...                 ...                ...                ...           ...                    ...                 ...
2021-12-27 1970-01-01 08:16:00 1970-01-01 08:18:00 1970-01-01 08:22:00 1970-01-01 08:11:00             29760.0            29880.0            30120.0       29460.0                29805.0 1970-01-01 08:16:45
2021-12-28 1970-01-01 08:16:00 1970-01-01 08:18:00 1970-01-01 08:22:00 1970-01-01 08:11:00             29760.0            29880.0            30120.0       29460.0                29805.0 1970-01-01 08:16:45
2021-12-29 1970-01-01 08:16:00 1970-01-01 08:18:00 1970-01-01 08:22:00 1970-01-01 08:11:00             29760.0            29880.0            30120.0       29460.0                29805.0 1970-01-01 08:16:45
2021-12-30 1970-01-01 08:16:00 1970-01-01 08:18:00 1970-01-01 08:22:00 1970-01-01 08:11:00             29760.0            29880.0            30120.0       29460.0                29805.0 1970-01-01 08:16:45
2021-12-31 1970-01-01 08:16:00 1970-01-01 08:18:00 1970-01-01 08:22:00 1970-01-01 08:11:00             29760.0            29880.0            30120.0       29460.0                29805.0 1970-01-01 08:16:45

[2557 rows x 10 columns]

Aus meteorologischen Gründen folgt der Sonnenaufgang einer ganz klaren jährlichen Saisonalität und die Abstände zwischen den Städten sind stets fast exakt gleich, wobei sie sich aufgrund der räumlichen Nähe nur um wenige Minuten unterscheiden.

fig, ax = plt.subplots()

#Daten für jede Stadt und Durchschnitt plotten
ax.plot(df_rise["durchschnitt"], label="Durchschnitt")
ax.plot(df_rise["stuttgart"], label="Stuttgart");
ax.plot(df_rise["freiburg"], label="Freiburg");
ax.plot(df_rise["mannheim"], label="Mannheim");
ax.plot(df_rise["ulm"], label="Ulm");

#Achsen und Layout
ax.set_title("Sonnenaufgang in allen Städten (2015 - 2021)")
ax.set_ylabel("Uhrzeit")
ax.yaxis.set_major_formatter(mdates.DateFormatter("%H:%M"))
ax.yaxis.set_minor_formatter(mdates.DateFormatter("%H:%M"))
ax.set_xlabel("Datum")
ax.set_xlim(dt.datetime(2015,1,1), dt.datetime(2021,12,31))

#Legende einfügen
handles, labels = plt.gca().get_legend_handles_labels()
by_label = OrderedDict(zip(labels, handles))
plt.legend(by_label.values(), by_label.keys(), loc="lower left", bbox_to_anchor=(0,-0.15), ncol=4)

plt.show()

for year in [2015, 2016, 2017, 2018, 2019, 2020, 2021]:
    
    print("\n\n", str(year), "--------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------\n\n")
    
    #Untere und obere Grenze zum Filtern des DataFrames nach jeweiligem Jahr
    lower_border = str(year) + "-01-01"
    upper_border = str(year) + "-12-31"
    
    fig, ax = plt.subplots()
    
    #Daten für jede Stadt und Durchschnitt plotten
    ax.plot(df_rise[lower_border:upper_border]["durchschnitt"], label="Durchschnitt");
    ax.plot(df_rise[lower_border:upper_border]["stuttgart"], label="Stuttgart");
    ax.plot(df_rise[lower_border:upper_border]["freiburg"], label="Freiburg");
    ax.plot(df_rise[lower_border:upper_border]["mannheim"], label="Mannheim");
    ax.plot(df_rise[lower_border:upper_border]["ulm"], label="Ulm");

    #Achsen und Layout
    ax.set_title("Sonnenaufgang in allen Städten (" + str(year) + ")")
    ax.set_ylabel("Uhrzeit")
    ax.yaxis.set_major_formatter(mdates.DateFormatter("%H:%M"))
    ax.yaxis.set_minor_formatter(mdates.DateFormatter("%H:%M"))
    ax.set_xlim(dt.datetime(year,1,1), dt.datetime(year,12,31))
    ax.set_xlabel("Datum")

    #Legende einfügen
    handles, labels = plt.gca().get_legend_handles_labels()
    by_label = OrderedDict(zip(labels, handles))
    plt.legend(by_label.values(), by_label.keys(), loc="lower left", bbox_to_anchor=(0,-0.15), ncol=4)

    plt.show()

 2015 --------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------

 2016 --------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------

 2017 --------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------

 2018 --------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------

 2019 --------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------

 2020 --------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------

 2021 --------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Dementsprechend korrelieren die Werte perfekt miteinander.

#Heatmap der Korrelationen untereinander (Pearson)
ax = sns.heatmap(data=df_rise.iloc[:,5:10].corr(method="pearson"), annot=True, vmin=0, vmax=1, cmap="rocket_r");
ax.set_title("Pearson")
ax.xaxis.set_ticks_position("top")

plt.show()

#Heatmap der Korrelationen untereinander (Spearman)
ax = sns.heatmap(data=df_rise.iloc[:,5:10].corr(method="spearman"), annot=True, vmin=0, vmax=1, cmap="rocket_r");
ax.set_title("Spearman")
ax.xaxis.set_ticks_position("top")

plt.show()

#Heatmap der Korrelationen untereinander (Kendall)
ax = sns.heatmap(data=df_rise.iloc[:,5:10].corr(method="kendall"), annot=True, vmin=0, vmax=1, cmap="rocket_r");
ax.set_title("Kendall")
ax.xaxis.set_ticks_position("top")

plt.show()

Vergleich des Sonnenuntergangs

#Daten aus jeweiliger CSV-Datei laden
df_set = pd.read_csv("Datenbeschaffung/kalender.csv", index_col=0, parse_dates=True, usecols=[0])
df_set = df_set.join(pd.read_csv("Datenbeschaffung/stuttgart.csv", index_col=0, parse_dates=True, usecols=[0,9], squeeze=True).rename("stuttgart"))
df_set = df_set.join(pd.read_csv("Datenbeschaffung/freiburg.csv", index_col=0, parse_dates=True, usecols=[0,9], squeeze=True).rename("freiburg"))
df_set = df_set.join(pd.read_csv("Datenbeschaffung/mannheim.csv", index_col=0, parse_dates=True, usecols=[0,9], squeeze=True).rename("mannheim"))
df_set = df_set.join(pd.read_csv("Datenbeschaffung/ulm.csv", index_col=0, parse_dates=True, usecols=[0,9], squeeze=True).rename("ulm"))

#Uhrzeiten in DateTime konvertieren
df_set["stuttgart"] = pd.to_datetime(pd.to_datetime(df_set["stuttgart"]).dt.strftime("1970-01-01 %H:%M:%S"))
df_set["freiburg"] = pd.to_datetime(pd.to_datetime(df_set["freiburg"]).dt.strftime("1970-01-01 %H:%M:%S"))
df_set["mannheim"] = pd.to_datetime(pd.to_datetime(df_set["mannheim"]).dt.strftime("1970-01-01 %H:%M:%S"))
df_set["ulm"] = pd.to_datetime(pd.to_datetime(df_set["ulm"]).dt.strftime("1970-01-01 %H:%M:%S"))

#Uhrzeit in Sekunden am Tag umrechnen
df_set["stuttgart_sekunden"] = pd.to_timedelta(pd.to_datetime(df_set["stuttgart"]).dt.strftime("%H:%M:%S")).dt.total_seconds()
df_set["freiburg_sekunden"] = pd.to_timedelta(pd.to_datetime(df_set["freiburg"]).dt.strftime("%H:%M:%S")).dt.total_seconds()
df_set["mannheim_sekunden"] = pd.to_timedelta(pd.to_datetime(df_set["mannheim"]).dt.strftime("%H:%M:%S")).dt.total_seconds()
df_set["ulm_sekunden"] = pd.to_timedelta(pd.to_datetime(df_set["ulm"]).dt.strftime("%H:%M:%S")).dt.total_seconds()

#Durchschnitt der Sekunden am Tag
df_set["durchschnitt_sekunden"] = round((df_set["stuttgart_sekunden"] + df_set["freiburg_sekunden"] + df_set["mannheim_sekunden"] + df_set["ulm_sekunden"]) / 4, 0)
#Durchschnitt der Uhrzeit berechnen
df_set["durchschnitt"] = pd.to_datetime(df_set["durchschnitt_sekunden"], unit="s")

print(df_set)

                     stuttgart            freiburg            mannheim                 ulm  stuttgart_sekunden  freiburg_sekunden  mannheim_sekunden  ulm_sekunden  durchschnitt_sekunden        durchschnitt
datum                                                                                                                                                                                                        
2015-01-01 1970-01-01 16:37:00 1970-01-01 16:46:00 1970-01-01 16:37:00 1970-01-01 16:35:00             59820.0            60360.0            59820.0       59700.0                59925.0 1970-01-01 16:38:45
2015-01-02 1970-01-01 16:38:00 1970-01-01 16:47:00 1970-01-01 16:38:00 1970-01-01 16:36:00             59880.0            60420.0            59880.0       59760.0                59985.0 1970-01-01 16:39:45
2015-01-03 1970-01-01 16:39:00 1970-01-01 16:48:00 1970-01-01 16:39:00 1970-01-01 16:37:00             59940.0            60480.0            59940.0       59820.0                60045.0 1970-01-01 16:40:45
2015-01-04 1970-01-01 16:40:00 1970-01-01 16:49:00 1970-01-01 16:40:00 1970-01-01 16:38:00             60000.0            60540.0            60000.0       59880.0                60105.0 1970-01-01 16:41:45
2015-01-05 1970-01-01 16:41:00 1970-01-01 16:50:00 1970-01-01 16:41:00 1970-01-01 16:40:00             60060.0            60600.0            60060.0       60000.0                60180.0 1970-01-01 16:43:00
...                        ...                 ...                 ...                 ...                 ...                ...                ...           ...                    ...                 ...
2021-12-27 1970-01-01 16:33:00 1970-01-01 16:42:00 1970-01-01 16:33:00 1970-01-01 16:31:00             59580.0            60120.0            59580.0       59460.0                59685.0 1970-01-01 16:34:45
2021-12-28 1970-01-01 16:34:00 1970-01-01 16:42:00 1970-01-01 16:33:00 1970-01-01 16:32:00             59640.0            60120.0            59580.0       59520.0                59715.0 1970-01-01 16:35:15
2021-12-29 1970-01-01 16:34:00 1970-01-01 16:43:00 1970-01-01 16:34:00 1970-01-01 16:33:00             59640.0            60180.0            59640.0       59580.0                59760.0 1970-01-01 16:36:00
2021-12-30 1970-01-01 16:35:00 1970-01-01 16:44:00 1970-01-01 16:35:00 1970-01-01 16:34:00             59700.0            60240.0            59700.0       59640.0                59820.0 1970-01-01 16:37:00
2021-12-31 1970-01-01 16:36:00 1970-01-01 16:45:00 1970-01-01 16:36:00 1970-01-01 16:35:00             59760.0            60300.0            59760.0       59700.0                59880.0 1970-01-01 16:38:00

[2557 rows x 10 columns]

Aus selbigen meteorologischen Gründen folgt auch der Sonnenuntergang einer ganz klaren jährlichen Saisonalität und die Abstände zwischen den Städten sind stets fast exakt gleich, wobei sie sich aufgrund der räumlichen Nähe nur um wenige Minuten unterscheiden.

fig, ax = plt.subplots()

#Daten für jede Stadt und Durchschnitt plotten
ax.plot(df_set["durchschnitt"], label="Durchschnitt")
ax.plot(df_set["stuttgart"], label="Stuttgart");
ax.plot(df_set["freiburg"], label="Freiburg");
ax.plot(df_set["mannheim"], label="Mannheim");
ax.plot(df_set["ulm"], label="Ulm");

#Achsen und Layout
ax.set_title("Sonnenaufgang in allen Städten (2015 - 2021)")
ax.set_ylabel("Uhrzeit")
ax.yaxis.set_major_formatter(mdates.DateFormatter("%H:%M"))
ax.yaxis.set_minor_formatter(mdates.DateFormatter("%H:%M"))
ax.set_xlabel("Datum")
ax.set_xlim(dt.datetime(2015,1,1), dt.datetime(2021,12,31))

#Legende einfügen
handles, labels = plt.gca().get_legend_handles_labels()
by_label = OrderedDict(zip(labels, handles))
plt.legend(by_label.values(), by_label.keys(), loc="lower left", bbox_to_anchor=(0,-0.15), ncol=4)

plt.show()

for year in [2015, 2016, 2017, 2018, 2019, 2020, 2021]:
    
    print("\n\n", str(year), "--------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------\n\n")
    
    #Untere und obere Grenze zum Filtern des DataFrames nach jeweiligem Jahr
    lower_border = str(year) + "-01-01"
    upper_border = str(year) + "-12-31"
    
    fig, ax = plt.subplots()
    
    #Daten für jede Stadt und Durchschnitt plotten
    ax.plot(df_set[lower_border:upper_border]["durchschnitt"], label="Durchschnitt");
    ax.plot(df_set[lower_border:upper_border]["stuttgart"], label="Stuttgart");
    ax.plot(df_set[lower_border:upper_border]["freiburg"], label="Freiburg");
    ax.plot(df_set[lower_border:upper_border]["mannheim"], label="Mannheim");
    ax.plot(df_set[lower_border:upper_border]["ulm"], label="Ulm");

    #Achsen und Layout
    ax.set_title("Sonnenaufgang in allen Städten (" + str(year) + ")")
    ax.set_ylabel("Uhrzeit")
    ax.yaxis.set_major_formatter(mdates.DateFormatter("%H:%M"))
    ax.yaxis.set_minor_formatter(mdates.DateFormatter("%H:%M"))
    ax.set_xlim(dt.datetime(year,1,1), dt.datetime(year,12,31))
    ax.set_xlabel("Datum")

    #Legende einfügen
    handles, labels = plt.gca().get_legend_handles_labels()
    by_label = OrderedDict(zip(labels, handles))
    plt.legend(by_label.values(), by_label.keys(), loc="lower left", bbox_to_anchor=(0,-0.15), ncol=4)

    plt.show()

 2015 --------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------

 2016 --------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------

 2017 --------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------

 2018 --------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------

 2019 --------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------

 2020 --------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------

 2021 --------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Dementsprechend korrelieren die Werte auch hier quasi perfekt miteinander.

#Heatmap der Korrelationen untereinander (Pearson)
ax = sns.heatmap(data=df_set.iloc[:,5:10].corr(method="pearson"), annot=True, vmin=0, vmax=1, cmap="rocket_r");
ax.set_title("Pearson")
ax.xaxis.set_ticks_position("top")

plt.show()

#Heatmap der Korrelationen untereinander (Spearman)
ax = sns.heatmap(data=df_set.iloc[:,5:10].corr(method="spearman"), annot=True, vmin=0, vmax=1, cmap="rocket_r");
ax.set_title("Spearman")
ax.xaxis.set_ticks_position("top")

plt.show()

#Heatmap der Korrelationen untereinander (Kendall)
ax = sns.heatmap(data=df_set.iloc[:,5:10].corr(method="kendall"), annot=True, vmin=0, vmax=1, cmap="rocket_r");
ax.set_title("Kendall")
ax.xaxis.set_ticks_position("top")

plt.show()

Fazit

Sonnenaufgang und Sonnenuntergang sind aus astronomischen Gründen in allen Städten fasst perfekt miteinander korrelieret. Aus diesem Grund wird im Folgenden nur noch der Sonnenauf- und Sonnenuntergang von Stuttgart stellvertretend für alle Städte beziehungsweise das gesamte Bundesland verwendet. Bei der Berechnung der Tagesstunden ergibt sich kein Unterschied, da die Tage stets gleichlang sind